<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />幾乎所有製造工廠的共同點是統計過程控制。 一個網站能否始終如一地不斷地生產相同的產品，可能是平庸公司和偉大公司之間的區別。 該過程的關鍵之一是尋找數據中的變化或趨勢。 儘管不常用，但時間序列分析可以成為減少變異過程中的有用工具。
JMP 中的時間序列分析平台可在“分析”>“建模”>“時間序列”下訪問
我們來看一下樣本數據中的一個數據。 轉至幫助 > 示例數據。 然後單擊時間序列下拉菜單並轉到每月銷售額。 打開“時間序列”平台並選擇“銷售額($1000)”列，並選擇“日期”作為時間序列。
與 JMP 中的慣例一樣，我們立即有一些測試統計數據來告訴我們有關此數據的一些信息。 請注意圖表右側表格中的零均值 ADF、單均值 ADF 和趨勢 ADF 統計數據。 ADF 代表增強迪基富勒檢驗，這是一種檢查時間序列中單位根（隨時間變化的特徵）的方法。 用拉門的術語來說，它正在檢查數據中潛在的時間相關趨勢。 這三個指標對應於檢查無基礎時間分量（零均值）、隨時間持續增加（單一均值）和隨時間加速（趨勢）。 如果統計量低於下面找到的 T 值，則可以拒絕它不是組件的原假設。 換句話說，如果它低於 T 值，則存在潛在的時間分量。
在第一個圖表下方，您將找到自相關摘要。 它顯示了每個點如何依賴於前面的點。
注意到明顯的周期性模式可能會導致人們嘗試使用季節性指數平滑擬合來預測數據。 轉到紅色三角形 > 平滑模型 > 季節性指數平滑。
紅線顯示模型的擬合度以及未來的預測值。 模型摘要具有傳統的統計數據，例如 DF（自由度）、Rsquare 等。 它還包括 Akaike 的“A”信息標準（航空工業協會）。 該指標非常適合比較不同的模型，因為它會懲罰模型中的額外參數，因此具有額外項的人不會獲得不公平的優勢。 類似地，施瓦茨貝葉斯準則 (商業銀行）會懲罰額外的參數，但比 AIC 更嚴重。 一般來說，他們會同意，除非 AIC 指出更高階的模型（更複雜）。 對於這兩個數字來說，值越低越好。
型號概要
DF | 129 |
誤差平方和 | - 21565.8785
|
方差估計 | - 167.177353
|
標準差 | - 12.9297082
|
赤池的“A”信息標準 | - 1048.48556
|
施瓦茨貝葉斯準則 | - 1054.23595
|
R方 | - 0.98719989
|
R方調整 | - 0.98710066
|
MAPE | - 3.44018638
|
MAE | - 9.90829917
|
-2對數似然 | - 1044.48556
|
穩定的 | 是的 | |
可逆式 | 不 | |
參數估計
學期 | 估計 | 標準誤差 | t 比率 | 概率>|t| |
水平平滑權重 | - 0.2493692
- 0.0404538
- 6.16
| <.0001* | |
季節性平滑權重 | - 1.0000000
- 0.0980935
- 10.19
| <.0001* | |
我希望這對您探索時間序列數據有所幫助。 如果您對時間序列分析有任何疑問或有任何精彩的時間序列故事要分享，請發表評論。 謝謝！
